Perbandingan Kemampuan Model AI
Sains & matematika
Only models released within the past year are shown. Only benchmarks covering at least 3 of these models are shown. Unknown release dates are excluded; historical data is retained.
— means no published score for this candidate in this source, not zero.
| No. | Model | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 9/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 31.71maxclaude-opus-5-5_max | 91.23maxclaude-opus-5-5_max | 95maxclaude-opus-5-5_max | 100maxclaude-opus-5-5_max | 90.59maxclaude-opus-5-5_max | — |
| 2 |  GPT-6 Astra | 31.71maxgpt-6-astra_max | 93.68maxgpt-6-astra_max | 97.6highgpt-6-astra_high | 99unknowngpt-6-astra_unknown | 95.77maxgpt-6-astra_max | 54.8unknowngpt-6-astra_unknown |
| 3 | GPT-6.1 Sol | 31.71maxgpt-6.1-sol_max | 93.68maxgpt-6.1-sol_max | 100maxgpt-6.1-sol_max | 99unknowngpt-6.1-sol_unknown | 95.39maxgpt-6.1-sol_max | — |
| 4 | Claude Fable 5.1 | 31.14xhighclaude-fable-5-1_xhigh | 90.18maxclaude-fable-5-1_max | 87.8maxclaude-fable-5-1_max | 100maxclaude-fable-5-1_max | — | 46.5xhighclaude-fable-5-1_xhigh |
| 5 |  Gemini 4 Argon | 27.14highgemini-4-argon_high | 85.96highgemini-4-argon_high | 78.05highgemini-4-argon_high | 99unknowngemini-4-argon_unknown | 96.4highgemini-4-argon_high | — |
| 6 | Claude Sonnet 5.5 | 31.43maxclaude-sonnet-5-5_max | 88.77maxclaude-sonnet-5-5_max | 80.49maxclaude-sonnet-5-5_max | 100maxclaude-sonnet-5-5_max | 95.58maxclaude-sonnet-5-5_max | 46.12xhighclaude-sonnet-5-5_xhigh |
| 7 | Claude Opus 5 | 29.14maxclaude-opus-5_max | 85.61maxclaude-opus-5_max | 73.17maxclaude-opus-5_max | 99maxclaude-opus-5_max | 93.88maxclaude-opus-5_max | — |
| 8 | GPT-6 Sol | 30.86maxgpt-6-sol_max | 89.82maxgpt-6-sol_max | 90maxgpt-6-sol_max | 83unknowngpt-6-sol_unknown | 94.32maxgpt-6-sol_max | — |
| 9 | GPT-6 Luna | 19.43maxgpt-6-luna_max | 78.95maxgpt-6-luna_max | 56.1maxgpt-6-luna_max | 64unknowngpt-6-luna_unknown | 90.47maxgpt-6-luna_max | — |
| 10 | Claude Haiku 5.5 | 22.57xhighclaude-haiku-5-5_xhigh | 75.09maxclaude-haiku-5-5_max | 46.34maxclaude-haiku-5-5_max | 89maxclaude-haiku-5-5_max | 89.65maxclaude-haiku-5-5_max | 30.12unknownclaude-haiku-5-5_unknown |
| 11 | Claude Mythos Preview | — | — | — | — | — | — |
Benchmark Epoch AI
Sumber: Epoch AI, CC BY 4.0 ↗ · Diperbarui 2026-10-15
CritPt · Diperbarui 2026-10-15
FrontierMath Tiers 1-3 · Diperbarui 2026-10-15
FrontierMath Tier 4 · Diperbarui 2026-10-15
ProofBench · Diperbarui 2026-10-12
GPQA Diamond · Diperbarui 2026-10-15
Humanity's Last Exam · Diperbarui 2026-10-07
PandaNpc Diperbarui 21 Okt 2026, 06.01 UTC
Sumber: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Panduan kolom
- No.
- Hanya urutan tampilan. Pengurutan mengubah nomor ini; ini bukan peringkat kemampuan yang dipublikasikan.
- Model
- Nama model yang dievaluasi dan ikon penyedianya. Tanda hubung pada kolom skor berarti tidak ada skor yang dipublikasikan yang tersedia di sini, bukan nol.
- CritPtMasalah fisika tingkat riset
- Menguji penalaran pada masalah fisika tingkat riset yang belum dipublikasikan di berbagai bidang fisika modern. Metodologi evaluasi ↗
- FrontierMath Tiers 1-3Matematika frontier — tingkat 1-3
- Menguji masalah matematika orisinal yang menantang di seluruh tingkat kesulitan 1–3. Skor ini tidak boleh digabungkan dengan tingkat 4 yang lebih sulit. Metodologi evaluasi ↗
- FrontierMath Tier 4Matematika frontier — tingkat 4
- Menguji tingkat tersulit dari masalah tingkat riset FrontierMath, secara terpisah dari tingkat 1–3. Metodologi evaluasi ↗
- ProofBenchBenchmark pembuktian matematika formal
- Menguji kemampuan menghasilkan bukti matematis yang dapat diperiksa oleh verifikator formal. Metodologi evaluasi ↗
- GPQA DiamondTanya jawab tingkat pascasarjana — Diamond
- Menguji pertanyaan sains tingkat pascasarjana yang sulit yang membutuhkan pengetahuan dan penalaran spesialis. Metodologi evaluasi ↗
- Humanity's Last ExamUjian akhir Humanity
- Menguji pertanyaan sulit tingkat ahli di berbagai mata pelajaran akademik. Ini adalah benchmark tanya jawab, berbeda dari Agents' Last Exam. Metodologi evaluasi ↗
Baca skor dalam benchmark, sumber, dan versi yang sama. Nilai yang lebih tinggi menunjukkan performa yang lebih kuat pada metrik yang dilaporkan, tetapi kolom yang berbeda tidak menggunakan skala yang sama.